Figure (4.45) Même figure que la figure (4.29) mais pour un nuage de type stratocumulus avec des bosse.
La figure (4.45) présente les mêmes résultats que ceux présentés dans la figure (4.29) mais pour un nuage de type stratocumulus avec des bosses. La valeur maximale du biais absolu sur le coefficient de rétrodiffusion pour le nuage (Ver. +hor. hom), est οߚ ൎ ͵ǤͷǤ ͳͲିସିଵିଵ à l'altitude de 1,45 km (1500% en relatif). Ce biais devient négatif plus profond dans le nuage pour atteindre une valeur minimal de െͳǤ ͳͲିସିଵିଵ pour une altitude de 1,1 km (50% en relatif). Le biais absolu sur le rapport de dépolarisation est négatif au sommet du nuage et atteint une valeur minimale οߜ ൎ െͲǡͲͲͳ à l'altitude de 1,5 km environ et positif dans la partie inférieure et atteint οߜ ൎ Ͳǡʹ.
La valeur maximale du biais absolu sur le coefficient de rétrodiffusion pour le nuage (Hor. hom) est οߚ ൎ ͳǤ ͳͲିସିଵିଵà l'altitude ≈ 1,45 km (100 % en relatif). Le biais absolu sur le rapport de dépolarisation est négatif dans la partie supérieure du nuage et positif dans la partie inférieure et atteint οߜ ൎ ͲǡͲͷ.
105
Une synthèse de mes résultats est donnée dans le tableau (4.1)
Table (4.1) Les biais maximaux et moyens dus à l’hétérogénéité 3D du nuage sur les mesures de lidar
CALIOP/CALIPSO, ߂ߚle biais absolu sur le coefficient de rétrodiffusion, ߂ߚΨle biais relatif
sur le coefficient de rétrodiffusion, ߂ߛle biais relatif sur le coefficient de rétrodiffusion apparent
intégré et ߂ߜle biais absolus sur le rapport de dépolarisation.
Les biais moyens montrés sur la table (4.1) sont déterminés approximativement entre le sommet du nuage et une profondeur optique de 4, valeur à partir de laquelle le signal CALIOP/CALIPSO est « saturé ».
Le biais absolu maximum sur le coefficient de rétrodiffusion ߚ augmente avec l’échelle pour les cinq types du nuage. Les biais relatifs (maxima et moyens) sur ߚ et sur le coefficient de
106
rétrodiffusion intégré ߛ ont de la même tendance. Il augmente avec l’échelle pour le cirrus (plaquette et sphérique) et pour le stratocumulus. L’ordre de grandeur de ces biais est de quelques dizaines de pourcent. Par contre, pour le stratocumulus avec des bosses et le cumulus, le biais relatif maximum sur ߚ et sur ߛ à l’échelle de 333 m (οߚ=170% et οߛ=85% pour le cumulus et οߚ=160% et οߛ=125% pour le stratocumulus avec des bosses) est plus grand qu’à l’échelle de 1 km (οߚ=65% et οߛ=45% pour le cumulus et οߚ=100% et οߛ=70% pour le stratocumulus avec des bosses). En examinant la figure (4.30) on constate que les deux nuages ont des formes très hétérogènes avec des bosses et des trous. A l’échelle de 333 m, il est probable que les échantillons de nuages 1D 100 m x 333 m couvrent une partie du nuage et un trou, mais il est aussi très probable que la ܨܱܸ du lidar, dans le cas des échantillons de nuages 3D, se trouve dans un trou de nuage : ߚଷ est alors très inférieur à ߚଵ. Mais à l’échelle de 1 km (échantillons de nuage 1D de 100 m x 1000 m), la simulation lidar 3D consiste en la moyenne de 3 tirs lidars consécutifs espacés de 333 m: la probabilité que les trois mesures 3D se réalisent dans 3 trous nuageux est faible. Dans le calcul du biais relatif sur ߚ (voir équation 3.1) et sur ߛ (voir équation 4.7), on divise par ߚଷ. Par conséquent, Le biais relatif maximal sur ߚ et sur ߛ à l’échelle de 333 m est ainsi supérieur à celui estimé à l’échelle de 1 km.
A l’échelle de 5 km x 5 km, les biais sur ߚ, ߛ sont, généralement, plus grands qu’à l’échelle de 333 m et de 1 km. La comparaison des échelles « de 333 m et 1 km » avec l’échelle de 5 km est difficile, car la méthodologie employée pour étudier les effets 3D du nuage sur les observables CALIOP/CALIPSO à l’échelle de 5 km est différente de celle employée à l’échelle de 333 m et de 1 km. Toujours à l’échelle de 5 km x 5 km, si l’on néglige les effets des hétérogénéités horizontales et verticales, à l’échelle de 5 km x 5 km le biais relatif moyen sur ߚ et surߛ est très important (plusieurs centaines de pourcent).
Pour la partie supérieure des nuages, et pour le cas des nuages hétérogènes verticalement uniquement, le biais absolu et relatif (moyen et maximal) sur le rapport de dépolarisationߜpour le cirrus de cristaux de glace de type plaquette est toujours positif et négatif pour les nuages constitués d’hydrométéores sphériques.
Le libre parcours moyen des photons (MFP) dans les milieux hétérogènes optiquement est toujours plus grand que celui dans les milieux homogènes équivalents (Davis and Marshak, 2004). Cela signifie que les photons ont une probabilité plus élevée d'être diffusés lorsqu'ils se trouvent dans le champ de vue du récepteur du lidar dans le cas du nuage homogène 1D. L’augmentation du rapport de dépolarisation ߜpar diffusion multiple est donc plus faible dans
107
un milieu nuageux hétérogène que pour le nuage homogène équivalent, ce qui donne : ߜଵെ ߜଷ Ͳ. Cette explication est cohérente avec nos résultats obtenus pour le cirrus de glace type plaquette. Pour les nuages constitués d’hydrométéores sphériques, ߜଵെ ߜଷ൏ Ͳ . En effet, le rapport de dépolarisation en diffusion simple d’une sphère est nulle, mais pas celui des gaz (dépolarisation Rayleigh)
Pour le cas des nuages homogènes verticalement, à l’échelle de 5 km, le biais sur ߜ est positif. Cela peut être expliqué par la prise en considération des phénomènes de diffusion multiple. Ce modèle de nuage est beaucoup plus dense, au sommet, en moyenne, que le nuage 3D. Cela signifie que les photons ont une probabilité plus élevée d'être diffusés multiplement dans le nuage 1D. Par conséquent, les nuages 1D homogènes verticalement dépolarisent plus par diffusion multiple que le nuage 3D, et ߜଵ ߜଷ.
4.4. Conclusion
Dans ce chapitre, j’ai étudié les effets des hétérogénéités spatiales des nuages sur les observables radar (CPR Doppler/EarthCARE) et lidar (CALIOP/CALIPSO). J’ai réalisé quelques études préliminaires sur les effets des hétérogénéités 3D des nuages sur les mesures de la vitesse Doppler du radar CPR Doppler/EarthCARE, sur des nuages synthétiques où les hétérogénéités sont contrôlées. Les résultats obtenus ont montré que la mesure de la vitesse Doppler est affectée par la variation horizontale de l’épaisseur optique et de la réflectivité. L’intensité de ce biais dépend des caractéristiques du nuage (épaisseur géométrique, épaisseur optique et taille relative du trou) et de la géométrie du système radar (FOV, distance radar-nuage).
Pour étudier les effets de l’hétérogénéité 3D des nuages sur les mesures du lidar CALIOP/CALIPSO, j’ai utilisé cinq nuages générés par 3DCLOUD (Szczap et al., 2014), deux cirrus, l'un constitué de cristaux de glace sphérique, et l'autre de cristaux de glace de type plaquette, un cumulus, un stratocumulus et un stratocumulus avec des bosses. J’ai réalisé l’étude pour trois échelles spatiales : 333 m, 1 km et 5 km. Nos résultats montrent que le biais dû à l’hétérogénéité 3D des nuages sur les mesures du lidar CALIOP/CALIPSO n’est pas négligeable. Un test de Student (réalisé uniquement sur le cirrus de cristaux de glace de type plaquette (Alkasem et al., 2017)) montre que le biais sur le coefficient de rétrodiffusion est significatif à l’échelle de 1 km. Le biais relatif maximum sur ce coefficient est environ 30% à
108
l’échelle de 1 km, alors que le biais absolu sur ce même coefficient augmente généralement avec l’échelle spatiale.
A l’échelle de 5 km, les biais sur les coefficients de rétrodiffusion et de rétrodiffusion intégrée sont plus grands qu’à l’échelle de 333 m et de 1 km. Si de plus, et à l’échelle de 5 km, on néglige l’hétérogénéité verticale, le biais relatif sur le coefficient de rétrodiffusion dépasse 100 %.
Un test de Student sur le cirrus constitué de cristaux de glace de type plaquette montre que le biais absolu sur le rapport de dépolarisation est significatif aux échelles de 333 m et 1 km et il est toujours positif.
Le biais absolu sur le rapport de dépolarisation pour les quatre types de nuage dont les hydrométéores sont sphériques (cirrus de cristaux de glace sphérique, cumulus, stratocumulus et stratocumulus avec des bosses) est négatif au sommet du nuage. Il est cependant positif à l’échelle de 5 km dans le cas du nuage homogène horizontalement et verticalement, et est de l’ordre de 0,2.
109
Conclusions et perspectives
Les nuages jouent un rôle majeur sur le bilan radiatif du système terre-atmosphère. L’évaluation de l’impact des nuages sur le bilan radiatif du système climatique terre-atmosphère représente un intérêt majeur pour l’étude du climat. Les modèles climatiques idéalisent les nuages comme des nuages homogènes plans parallèles. Les paramétrisations des nuages basées sur l’hypothèse du nuage homogène plan parallèle dans les différents modèles climatiques sont encore insuffisantes pour conclure d’une manière précise quand aux rétroactions des nuages en réponse à un forçage radiatif.
La caractérisation des propriétés nuageuses est difficile, car les nuages présentent des fluctuations spatiales complexes tridimensionnelles de leurs propriétés microphysiques, optiques et géométriques qui dépendent de l’échelle spatiale d’observation.
Le travail de cette thèse a consisté à étudier les effets de l’hétérogénéité 3D du nuage sur les observables lidar CALIOP/CALIPSO et radar CPR/CloudSat de la mission spatiale A-train et sur le radar CPR Doppler de la future mission spatiale EarthCARE. Pour cette fin, j’ai développé McRALI. McRALI est un simulateur de systèmes lidar et radar embarqués sur plateforme satellite. Il prend en compte la diffusion multiple, la polarisation, l’effet Doppler et l’aspect tridimensionnel de l’atmosphère. Il est basé sur le modèle de transfert radiatif appelé 3DMCPOL (Cornet et al, 2010) qui simule la luminance au sommet de l'atmosphère mesurée par des capteurs passifs. Je l’ai comparé avec les codes de référence de systèmes lidar/radar publiés (ECSIM (Donovan et al., 2008), DOMUS (Battaglia et al., 2011), le code de Hogan (Hogan, 2006) et l’approche analytique de Chaikovskaya (2008)). Un des avantages de McRALI est qu'il simule à la fois des observables lidar et radar avec le même algorithme de base.
La première étape de ma thèse a consisté à modifier le code 3DMCPOL (Cornet et al., 2010) qui simule des capteurs passif, pour simuler les observables du système lidar CALIOP/CALIPSO. Les modifications apportées à 3DMCPOL ont porté sur la simulation de l’émetteur (laser) et du récepteur (télescope). McRALI calcule le profil vertical de la puissance rétrodiffusée polarisée. J’ai ajusté les paramètres des méthodes de réduction de variance (VRM) (Buras et al., 2011) pour qu’ils soient compatibles dans le cas d’un simulateur d’un système lidar. Ces méthodes se « débarrassent » des pics (fluctuations statistiques) rencontrées dans les simulations Monte Carlo. Ce problème est crucial pour la simulation des observables
110
lidar en diffusion multiple quand la fonction de phase est très « piquée » vers l’avant, ce qui est généralement le cas. Les méthodes de réduction de variance ont montré un grand avantage pour diminuer les fluctuations statistiques, et diminuer le temps des simulations. Pour obtenir le même ordre de grandeur sur la précision du coefficient de rétrodiffusion, le temps d’une simulation avec VRM est 10 à 100 fois plus rapide que sans VRM. Ces méthodes VRM sont indispensables pour la simulation des systèmes lidar.
J’ai comparé le coefficient de rétrodiffusion calculé par McRALI, avec le coefficient de rétrodiffusion calculé par code de Hogan et par code de Battaglia (Hogan and Battaglia, 2008). Ces deux derniers codes prennent en compte la diffusion multiple. Le code de Battaglia est basé sur une méthode Monte Carlo, tout comme McRALI. Pour le système de lidar, McRALI a donné des résultats (coefficient de rétrodiffusion) cohérents par rapport aux résultats publiés dans Hogan and Battaglia (2008). Le coefficient de rétrodiffusion calculé par McRALI est cohérent avec celui calculé par code de Hogan, et est quasiment identique au coefficient de rétrodiffusion calculé par le code de Battaglia.
McRALI calcule aussi le rapport de dépolarisation. J’ai comparé le rapport de dépolarisation calculé par McRALI avec les résultats publiés par Hu et al. (2001), Chaikovskaya (2008) et Donovan et al. (2015). McRALI a donné des résultats cohérents avec les résultats publiés. Mais les valeurs du rapport de dépolarisation de McRALI sont inférieures (jusqu’à 15%) aux valeurs simulées par Hu et al. (2001) et supérieures (jusqu’à 10%) aux valeurs simulées par ECSIM (Donovan et al., 2015) ou la méthode publiée dans Chaikovskaya (2008), et ce aussi bien pour la dépolarisation linéaire que circulaire.
La deuxième étape a été dédiée au développement de McRALI pour simuler les observables du radar CPR/CloudSat. J’ai modifié le code pour prendre en compte le diagramme de rayonnement d’une antenne radar (émetteur et récepteur modélisés par une forme gaussienne à -3dB). J’ai comparé mes résultats avec les résultats publiés par Hogan and Battaglia (2008). La réflectivité apparente calculée par McRALI est identique à la réflectivité apparente calculée par code de Battaglia (qui utilise la méthode Monte Carlo), pour les simulations en diffusion simple et les simulations en diffusion multiple.
Une autre étape de mon travail a consisté à modifier McRALI afin qu’il simule les observables du radar CPR Doppler/EarthCARE. Pour cela, j’ai dû simuler le spectre Doppler de puissance. Il a fallu estimer le décalage de la fréquence à chaque diffusion sur le chemin d’un photon,
111
combiné à la technique de l’estimation locale. J’ai comparé mes résultats avec les résultats publiés simulés par DOMUS (Battaglia and Tanelli, 2011). Les simulations de McRALI (réflectivité apparente, spectre Doppler de puissance, vitesse Doppler moyenne) sont proches des résultats publiés (Battaglia and Tanelli, 2011). Par contre, McRALI sous-estime systématiquement l’élargissement Doppler par rapport à DOMUS.
L’étape suivante de mon travail de thèse a consisté à étudier les effets de l’hétérogénéité 3D des nuages sur les mesures du radar CPR Doppler/EarthCARE et sur les mesures du lidar CALIOP/CALIPSO.
Pour étudier les effets de l’hétérogénéité 3D des nuages sur les mesures du radar CPR Doppler/EarthCARE, les structures des nuages hétérogènes utilisés ont été plutôt académiques (nuage « escalier », présence de discontinuités horizontales des propriétés optiques et dynamiques, présence de trous). Dans cette étude, on a constaté que la mesure de la vitesse Doppler est affectée par la variation horizontale de l’épaisseur optique et de la réflectivité. L’intensité de ce biais dépend des caractéristiques du nuage (l’épaisseur géométrique, l’épaisseur optique et la taille relative du trou) et de la géométrie du système radar (la FOV, la distance radar-nuage).
Pour étudier les effets de l’hétérogénéité 3D des nuages sur les mesures du lidar CALIOP/CALIPSO, j’ai utilisé quatre types de nuage générés par 3DCLOUD (Szczap et al., 2014), un cirrus (cristaux de glace sphérique, cristaux de glace de type plaquette), un cumulus, un stratocumulus et un stratocumulus avec des bosses. J’ai réalisé l’étude pour trois échelles spatiales : 333 m, 1 km et 5 km, (i.e. résolutions horizontales des données de CALIOP) Afin de quantifier le biais sur le coefficient de rétrodiffusion (ߚ) et le rapport de dépolarisation (ߜ) dû à l’hétérogénéité des nuages, on a comparé les profils moyens du coefficient de rétrodiffusion et du rapport de dépolarisation estimés par McRALI pour plusieurs morceaux de nuage (échantillons) de l'ensemble du nuage 3D (la population) avec les profils moyens du coefficient de rétrodiffusion et du facteur de dépolarisation estimés par McRALI pour le nuage homogène et plan parallèle équivalent, dont les propriétés optiques, à chaque niveau, sont égales à la valeur moyenne des propriétés optiques horizontales des morceaux de nuage 3D choisis aléatoirement. J’ai calculé le biais sur ߚሺ߂ߚሻ et le biais sur ߜሺ߂ߜሻ. Le test de Student (réalisé uniquement sur le nuage cirrus de cristaux de glace de type plaquette (Alkasem et al., 2017)) montre que le biais sur ߚ à l’échelle de 333 m n’est pas statistiquement significatif. Par contre il est significatif à l’échelle de 1 km. Le biais sur ߜ est significatif à l’échelle de 333 m
112
et à l’échelle de 1 km. Le biais relatif maximum sur le coefficient de rétrodiffusion est environ de 30% à l’échelle de 1 km et sur le rapport de dépolarisation de 75% à 333 m et 60% à 1 km.
Pour les échelles de 333 m et de 1 km, j’ai uniquement étudié l’effet des hétérogénéités horizontales de l’épaisseur optique sur les mesures CALIOP/CALIPSO. Pour l’échelle de 5 km j’ai également étudié les effets de l’hétérogénéité verticale de l’épaisseur optique.
Nos résultats montrent que le biais absolu sur le coefficient de rétrodiffusion augmente généralement avec l’échelle spatiale.
A l’échelle de 333 m et de 1 km, le biais relatif sur le coefficient de rétrodiffusion ߚ et sur le coefficient de rétrodiffusion intégré ߛ augmente avec l’échelle pour le cirrus (plaquette et sphérique) et pour le stratocumulus. A l’échelle de 333 m les valeurs maximales de οߚ=20% et de οߛ=10% pour le cirrus «plaquette», οߚ=45% et οߛ=25% pour le cirrus « sphérique » et οߚ=25% et οߛ=15% pour le stratocumulus. A l’échelle de 1 km les valeurs maximales de οߚ=30% et de οߛ=20% pour le cirrus «plaquette», οߚ=60% et οߛ=40% pour le cirrus « sphérique » et οߚ=35% et οߛ=25% pour le stratocumulus.
La méthodologie employée pour étudier les effets 3D du nuage sur les observables CALIOP/CALIPSO à l’échelle de 5 km est différente de celle employée à l’échelle de 333 m et de 1 km. Généralement, les biais sur ߚet ߛ à l’échelle de 5 km sont plus grands qu’à l’échelle de 333 m et de 1 km. A l’échelle de 5 km, si on prend en compte l’hétérogénéité verticale, le biais relatif sur ߚ est plus grand que 100%.
Le biais absolu sur le rapport de dépolarisationߜpour le cirrus de cristaux de glace de type plaquette est toujours positif de l’ordre de 0,08 à l’échelle de 333 m, 0,07 à l’échelle de 1km et de 0.25 à l’échelle de 5 km. Le biais absolu sur le rapport de dépolarisationߜpour les quatre types de nuage dont les hydrométéores sont sphériques « cirrus de cristaux de glace sphérique, cumulus, stratocumulus et stratocumulus avec des bosses » est négatif au sommet du nuage, Il est cependant positif à l’échelle de 5 km dans le cas du nuage homogène horizontalement et verticalement de l’ordre 0,2.
L'estimation de la rétroaction des nuages sur le climat actuel et futur nécessite une bonne représentation des propriétés optiques et radiatives des nuages dans les modèles climatiques. Ces modèles, désignés par l'acronyme GCM (Global Circulation Model), ont une résolution typiquement une heure par pas de temps, pour un maillage de l’espace dont l’extension
113
horizontale est de l'ordre de la centaine de kilomètres et dont l’extension verticale est de l’ordre du km). La variabilité temporelle et spatiale du champ nuageux (et par conséquent leurs variabilités optiques et radiatives) ne sont donc pas toujours résolus dans les GCM. Les propriétés optiques des couches nuageuses sont en générale homogènes. Nos résultats suggèrent qu’il est très important de prendre en compte les variations verticales des hétérogénéités des cirrus dans chaque couche du GCM si l’objectif est de simuler les observables lidar à partir des propriétés nuageuses décrites dans un GCM (hypothèse du nuage homogène plan parallèle), et ce dès une échelle horizontale de 5 km.
Perspectives
Dans l’objectif de mieux interpréter les mesures lidar/radar ou de calibrer/optimiser les futurs systèmes lidar/radar, il est nécessaire d’avoir à disposition un simulateur de référence, qui prend en compte la diffusion multiple, la polarisation, la haute résolution spectrale, l’effet Doppler, l’hétérogénéité spatiale 3D des nuages et des vitesses du vent pour différentes configurations de mesure.
De nombreuses améliorations/développements informatiques sont encore nécessaires afin de proposer un simulateur de référence. Par exemple, McRALI actuel suppose que les photons qui arrivent à la surface (sol ou mer) sont perdus (absorbés). Il faut donc implémenter un modèle desurface de mer, visant à inclure l’interaction du rayonnement polarisé avec la surface. Le code McRALI est validé pour le système lidar CALIOP/CALIPSO, le système radar CPR/CloudSat et CPR Doppler/EarthCARE. Avec l’avènement de la haute résolution spectrale (HRS) on peut légitimement se poser la question des effets de la diffusion multiple sur la mesure de tel instrument (Bissonnette et al, 2002). Même pour des milieux nuageux faiblement denses, la diffusion multiple peut en effet induire des différences significatives sur les signaux lidars mesurés (Alkasem et al., 2017). Il est donc important de développer et valider McRALI pour un système lidar à haute résolution spectrale. Le travail de ma thèse a permis des avancées notables, via de développement de l’effet Doppler dans McRALI. Ces acquis sont actuellement utilisés dans le cadre du CDD CNES de G. Mioche qui travaille sur le développement et la validation de McRALI pour la configuration du lidar ATLID (ATmospheric LIDar) embarqué sur le satellite EarthCARE et pour la configuration du lidar pour LNG et du radar RASTA aéroportés.
114
Le récepteur et l’émetteur, dans McRALI, sont actuellement modélisés pour une direction de visée verticale. Il sera nécessaire de modéliser McRALI pour des directions de visée autres que la verticale. EUREC4A (Elucidating the role of clouds circulation coupling in climate, Bony et